4、点云预处理：体素滤波降采样、直通滤波、统计滤波去噪、点云分割（地面与非地面）

各位同学，咱们今天聊聊点云预处理。说实话，这是整个感知管线里最“脏”最“累”的活，但也是决定后续算法成败的关键一步。我见过太多团队，算法模型选得再好，点云预处理没做好，结果就是各种误检、漏检。嗯，咱们今天就把这块硬骨头啃下来。

4.1 为什么要做点云预处理？

激光雷达一帧扫下来，少则几万，多则几十万个点。你想想看，这些点里，有远处的噪声，有近处的冗余，还有地面点、障碍物点混在一起。如果直接把这些原始数据丢给后面的检测算法，别说实时性了，内存都能给你撑爆。

我个人习惯把点云预处理比作“洗菜”。菜不洗干净，炒出来的菜没法吃。点云预处理的核心目标就三个：降采样、去噪、分割。说白了，就是把原始点云变成干净、轻量、有结构的数据。

4.2 体素滤波降采样

体素滤波，英文叫 Voxel Grid Filter。这是我最常用的降采样方法，没有之一。

它的原理其实很简单：把三维空间划分成一个个小立方体（体素），每个体素内只保留一个点（通常是重心点或中心点）。体素尺寸越大，降采样越狠，点云越稀疏。

我在项目中遇到过一个问题：体素尺寸设得太小，降采样效果不明显；设得太大，一些细小的障碍物（比如路沿、锥桶）直接被“滤”没了。所以，这个尺寸需要根据实际场景来调。

下面是一个简单的 PCL 实现示例：

// C++ PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud_input);
voxel_filter.setLeafSize(0.2f, 0.2f, 0.2f); // 体素边长 0.2m
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());
voxel_filter.filter(*cloud_filtered);

4.3 直通滤波

直通滤波，PassThrough Filter，名字很直白——就是沿着某个坐标轴，只保留指定范围内的点。

为什么要做这个？你想想看，激光雷达能扫到几百米外的点，但那些点对我们自动驾驶来说有用吗？大部分情况下没用。我们只关心车辆周围几十米范围内的障碍物。远处的点不仅没用，还会引入噪声。

我个人习惯在 X、Y、Z 三个方向上都做直通滤波。比如：

• X 方向（车辆前方）： 保留 -50m ~ 80m（根据车速调整）
• Y 方向（车辆左右）： 保留 -30m ~ 30m
• Z 方向（高度）： 保留 -2m ~ 5m（去掉地面以下和过高的点）

// C++ PCL 直通滤波示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_filtered);
pass.setFilterFieldName("z");
pass.setFilterLimits(-2.0, 5.0); // 保留高度 -2m 到 5m 的点
pass.filter(*cloud_filtered);

4.4 统计滤波去噪

统计滤波，Statistical Outlier Removal，SOR。这个滤波器专门用来干掉那些“离群点”——也就是周围邻居很少的孤立点。

为什么会存在这些离群点？可能是激光打到玻璃上产生的反射噪声，可能是空气中的灰尘，也可能是传感器本身的测量误差。这些点数量不多，但如果不处理，后续的聚类算法很容易把它们当成小障碍物，产生误检。

统计滤波的原理：对每个点，计算它到 k 个最近邻的平均距离。如果这个平均距离大于某个阈值（通常是全局均值 + 若干倍标准差），就判定为离群点，直接剔除。

我曾经在雨雾天气测试时发现，统计滤波的参数需要适当放宽。因为雨滴和雾滴本身就会产生大量稀疏点，如果阈值设得太严，会把有用的点也滤掉。

// C++ PCL 统计滤波示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_filtered);
sor.setMeanK(50);          // 邻居数
sor.setStddevMulThresh(1.5); // 标准差倍数
sor.filter(*cloud_filtered);

4.5 点云分割：地面与非地面

这是预处理里最关键的一步。地面点如果不分离，后续的障碍物检测会非常痛苦——因为地面点会跟障碍物点连在一起，聚类算法根本分不清。

常用的地面分割方法有很多，比如：

• RANSAC 平面拟合： 假设地面是一个平面，用 RANSAC 算法拟合出平面方程，平面上的点就是地面点。
• 射线坡道法： 按角度划分射线，在每条射线上找坡度变化点，坡度突变处就是地面与障碍物的分界。
• 基于深度学习的方法： 用 PointNet++ 等网络直接分割地面，精度高但计算量大。

我个人在工程中最常用的是 RANSAC 平面拟合，简单、快速、够用。但要注意，RANSAC 假设地面是平面，如果遇到坡道、颠簸路面，效果会变差。这时候可以结合射线坡道法做二次校验。

// C++ PCL RANSAC 地面分割示例
pcl::SACSegmentation<pcl::PointXYZ> seg;
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);

seg.setInputCloud(cloud_filtered);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.2); // 距离平面 0.2m 以内的点视为地面
seg.segment(*inliers, *coefficients);

4.6 知识体系总览

下面这张图总结了点云预处理的完整流程，我把它画成了 SVG，方便你理解整个管线：

嗯，整个流程就是这样。每一步都有它的意义，缺一不可。你想想看，如果跳过体素滤波，几十万个点直接做地面分割，计算量会非常大；如果跳过统计滤波，那些离群点会让后续的聚类结果一团糟。

好了，点云预处理的内容就讲到这里。记住，预处理做得好，后面的算法才能跑得稳。这是整个感知系统的基石，值得你花时间去调优每一个参数。